猫眼电影记者 陈尧燕 报道首次登录送91元红包

我们经常在一些对比 AI 性能的测试中，看到宣称基础模型在自然语言理解、推理或编程任务等性能超人类的相关报道。

但你有没有想过，这些结果真的可信吗？

在近期的一项研究中，美国哈佛大学研究员魏来（Kevin Wei）与合作者指出，目前人类基准测试（Human Baselines）的严谨性和透明度存在一系列严重问题，这直接关系着相关测试中关于 AI 性能的结论是否“立得住”的问题。

为此，研究人员对基础模型评估中人类基线方法提出了相关的改进建议。与此同时，为全面梳理当前评估方法的短板，他们还系统回顾了 115 项人类基线研究。

相关论文以《立场：模型评估中的人类基线需要严谨性和透明性》（Position: Human Baselines in Model Evaluations Need Rigor and Transparency）为题发表在 ICML 2025（The Forty-Second International Conference on Machine Learning）[1]。

图丨相关论文（来源：ICML）

长期以来，人类基准测试作为 AI 领域评估模型性能的重要工具，直接影响着对 AI 基础模型表现的判断，尤其是为 AI 达到超人类的水平相关结论是否可靠提供关键参考。

魏来目前的主要研究方向是 AI 评估测试，致力于将安全测试的系统做得更安全，以及将相关机制做得更好。他对 DeepTech 表示：“我们在研究过程中发现，当下很多声称模型达到超人类性能的研究，其人类基线评估方法不仅严谨性不够，透明度也不足。这会导致人类和 AI 性能的比较缺乏可信性。”

图丨魏来（来源：魏来）

人类基准测试结果是否可信关系着对系统层级的理解，以及对人类的层级准确比较。相关结论不仅影响着机器学习社区、相关用户和政策制定者，还与 AI 是否能代替、如何替代人类工作等社会和经济问题密切相关。

表丨基线设计与实施项目（含数据填补）的汇总统计（来源：ICML）

研究人员发现，在以往研究中最大的问题是所选取作为基线缺乏代表性，或在进行基线测试时，为基线测试人员和网络系统提供的信息存在差异：要么对二者所提出的问题不同，要么在某些方面存在差异，使得二者之间难以进行有效比较。

让人意外的是，只有 59% 的基线使用与 AI 相同的测试集。举例来说，某个数据中有 1,000 个样本，然后研究人员可能仅从中选 50 个样本作为基线，再将这 50 个人类的层级与 1,000 个 AI 系统的场景做对比。

除此之外，人类基线的样本量普遍不足也是极为重要的问题，这会导致无法据此判断这一结果是否能够代表更广泛人群。其中，以单个测试题目计算，人类基线的回应者人数中位数仅有 8 人，远低于科学研究的可靠性要求。

另一方面，伦理审查报告方面，只有 14% 的论文报告了伦理审查，其中大部分研究并没有公开测试方法、参与者信息和数据分析代码。在统计检验使用方面的问题同样严重，进行统计检验的基线只有 8%。

“我们发现，这种在人类基准测试过程中普遍存在信息不透明的做法，在影响结果可重复性的同时，也很有可能存在潜在的偏差。”魏来表示。

（来源：ICML）

基于对测量理论和 AI 评估文献的分析，该团队提出了一个新的框架来改进相关问题，其涵盖五个阶段并在每个阶段给出了相关建议。

具体而言：

·设计与实施（Design&Implementation）：选择一致且具有代表性的测试集，迭代基线工具，收集足够大小的样本和满足伦理要求；

·招募（Recruitment）：指定感兴趣的人群，选择适当的抽样策略，在招募过程中采用质量控制；

·执行（Execution）：在执行过程中采用质量控制，控制方法效应，控制人类和 AI 的努力程度，收集定性基线数据（例如解释）；

·分析（Analysis）：量化人类和 AI 表现之间的不确定性，确保评估指标、评分标准和评分方法的一致性；

·文档化（Documentation）：报告方法和基线样本的详细信息，采用开放科学和可重复性标准。

根据相关建议，在设计人类基线时，可采用更科学的方法来确保公平性和准确性。例如，研究人员借鉴了包括心理学、经济学、政治学等在内的多学科知识，为 AI 和人类性能的比较提供了新的视角。研究还强调了透明度的重要性，指出基于详细的记录和报告，可促进研究结果更可信。

研究人员将这些建议整合成一份清单，并在此基础上系统性地回顾了 115 项基础模型评估中的人类基线研究。这项研究不仅梳理出当下人类基准测试方法中存在的不足，同时也为未来研究特别是数学领域 AI 技术的评估指出了改进方向。

参考资料：

1.https://openreview.net/forum?id=gwhPvu97Gm

运营/排版：何晨龙

  时事1：世界杯买球稳赢

  12月29日,九旬南京大屠杀幸存者刘民生：以伤疤铭记历史 用家国守护和平,或许因为常年没有中超球队的缘故，奥体中心的草皮维护并不算完整，现场来看草皮偏软，费南多下半场打丢点球，或许草皮也是其中一个因素。,森林王国手游官网。

  12月29日,【走进民企看质变】海南自贸港封关在即 民企盼把握发展机遇,截至三季度末，蒋伟为昊海生科的第一大股东，持股数量为6652.8万股，持股占比为28.6%。,365体育外围平台,千亿国际网页版app,金百利国际真人娱乐24。

  时事2：千赢国际账号注册

  12月29日,冰雪热潮持续涌动 多地特色IP绘就全国微笑曲线,昊海生科表示，公司通过投资标的公司，并获取标的公司产品在中国境内经销权，切入生物羊膜这一高价值医疗器械赛道，有效补充了公司现有的产品组合，拓展眼科与骨科领域的业务覆盖。,万博官网网页版入口,网投专为体育打造,皇冠体育网。

  12月29日,“中国通”大山对话千年东坡 纪录片《不系之舟》常州首映,值得注意的是，这条海底隧道是铁路隧道。此外，全长54公里，海底部分23公里的日本青函海底隧道，也是铁路隧道。,bbin体育官网手机版,斗球体育平台官网,天博官方app。

  时事3：BOB投注登录

  12月29日,习近平致信祝贺中国志愿服务联合会第三届会员代表大会召开强调 大力弘扬志愿精神传递真善美传播正能量 为强国建设民族复兴伟业贡献志愿服务力量,今年5月，吕临华在《中国金融》杂志发表《科技金融浪潮下农商银行的探索》一文指出，浙江农商银行系统立足浙江民营经济大省和杭州市、嘉兴市科创金融改革试验区，在推动科技金融发展、助力浙江高质量发展建设共同富裕示范区中形成了“四专一生态”科技金融服务体系。,永利体育客户端下载,世界杯买球艳曳ga68 me,最新送彩金导航。

  12月29日,泰国南部洪灾已致176人死亡,经研究，聘任王炯、顾晓敏为招商局集团有限公司外部董事，罗东江、陈佐夫不再担任招商局集团有限公司外部董事职务。,大红鹰心水高手论坛会彩,注册提现的手机老虎机,必赢平台官方下载。

  时事4：网上投注彩票

  12月29日,贵州：加强新就业形态劳动者权益保障 发挥司法职能“稳就业”,香港不仅在硬件上扩容仓储设施，更致力于构建一个覆盖“仓储——交易——配套——服务”的完整生态圈，通过中央清算系统、丰富投资工具，旨在成为连接内地与国际市场的新型枢纽。,opebet体育信息b,bt365体育在线直播网,和记体育。

  12月29日,广东经历此轮冷空气过程最冷阶段 广州最低气温逼近0℃,当资源与精力纷纷向新兴业务倾斜、全力冲刺增长目标时，基本盘中潜藏的隐患却在被忽视的角落发酵。短视频平台的核心竞争力，既在于前沿技术带来的增长活力，更在于内容安全构建起的信任基础。这次风波，正是基本盘防守薄弱的集中爆发，风控技术跟不上黑灰产的迭代节奏，应急响应机制在饱和式攻击面前滞后，这些问题并非一日之寒。,爱游戏最新版本下载,ca88亚汌城官网,视讯真人游戏在哪玩。